形态分量分析在滚动轴承故障诊断中的应用

滚动轴承局部故障振动信号中的周期性冲击是识别故障的关键特征.形态分量分析在由多种形态原子组成的过完备字典基础上提取信号中的不同形态成分,基于这种思想提出了一种基于新型过完备复合字典的形态分量分析方法.依据滚动轴承故障振动信号中分量间的形态差异性,改进字典后该方法可以更具针对性地提取出包含故障特征的冲击分量,配合包络谱分析准确提取故障特征频率,诊断滚动轴承局部故障.对比基于快速谱峭度法的轴承故障诊断方法,该方法可以避免人为选择共振带产生的不准确性和非最优问题,提高了故障诊断效果.通过轴承仿真信号和故障实验信号分析验证了该方法的有效性.     

独立分量分析及其在ERP提取中的应用

利用ICA可将混合在观测信号中的相互独立的源信号分离出来的特性,针对脑电信号及其事件相关电位(ERP)的特点,提出一种基于ICA的ERP快速提取算法,并应用于仿真数据分离和实际脑电信号ERP提取.实验结果表明,该算法具有较强的稳健性和实用性.     

主分量分析法在齿轮故障诊断中的应用

探讨了主分量分析法在齿轮故障诊断中的应用问题,从理论上对主分量分析法进行了推导和分析,讨论了其误差,编写了用该法诊断故障的程序,并给出了齿轮诊断的应用实例。该方法直接利用齿轮振动噪声信号进行分析,具有速度快、准确性高的优点。     

独立分量分析在内燃机噪声信号分离中的应用

采用独立分量分析的方法进行了内燃机噪声信号分离的研究．建立了基于FastICA算法的常规内燃机噪声独立分量分析模型,为了减少所需传声器个数,在此基础上应用了时序独立分量分析模型．以某四缸柴油机为研究对象,测量了不同工况下的噪声信号,计算了这些噪声信号的统计峰度,确认其为非高斯信号,满足独立分量分析的基本要求．对测得的柴油机噪声信号进行了时序独立分量分析,将其分解为一系列不同的独立分量．采用小波变换的方法对它们进行分析,得到了各独立分量的时频分布,研究结果表明,这些独立分量对应着不同的内燃机噪声源信号．     

独立分量分析在雷达抗干扰处理中的应用

在实战过程中,干扰环境瞬息万变雷达工作环境的恶化使现代雷达系统面临着严峻挑战多数雷达都要求具有从强干扰环境中检测目标和提取目标参数的能力.这要求雷达应具有灵活的环境适应能力和抗干扰能力.为了对雷达信号在不同噪声环境下进行处理,提出采用基于高阶累积量张量对角化的独立分量分析方法.仿真结果表明,该方法可以很好地分离出各种不同调制方式下的连续波雷达信号,对雷达抗干扰具有有效性.     

传统独立分量分析和变分贝叶斯独立分量分析的比较

通过试验比较了传统的独立分量分析(ICA)和变分贝叶斯独立分量分析(VbICA)在源信号分离中的能力,试验研究表明,无噪声环境下的盲源分离,两种方法都能得到很好的分离性能.然而,噪声环境下的源信号分离,变分贝叶斯独立分量明显优于传统独立分量分析,特别是随着噪声的增强,变分贝叶斯独立分量的优势就越明显.另外,变分贝叶斯独立分量可以估计源信号的数目,而传统独立分量分析往往事先假设源信号的个数已知,否则无法进行源信号分离.     

基于独立分量分析特征提取的故障诊断系统

针对矿山破碎机的声音故障诊断受复杂现场环境制约、确诊率低的难题, 结合独立分量分析(ICA)在自然图像和连续语音信号中特征提取的方法,采用两层ICA分别用于从混杂声音中提取各采集通道(部位)的统计独立声音信号和进一步提取该信号的特征基.训练阶段生成的特征基系数序列用来生成矢量量化(VQ)的码书,设计出ICA-VQ破碎机故障诊断系统.现场采集数据的实验中系统的故障诊断准确率达到96.8%,表明系统的高效性.     

独立分量分析及其在诱发电位提取中的应用

独立分量分析能够在各信号频率混迭的情况下,从它们的线性混合信号中有效分离出原始信号,这为微弱电生理信号的提取提供了途径,受到生物信号处理研究人员的关注.作者研究分析了独立分量分析模型和一种基于负熵判据的定点快速ICA算法的实现,并将该算法运用于仿真诱发电位的提取中,从观测信号(混合信号)中有效地提取出视觉诱发电位.     

独立分量分析的自然方法

基于半参数密度估计给出了构造独立分量分析目标函数的一种方法.其主要特点是只需要源信号密度存在以及包含了超饱和问题的解决.最后给出了一个数字模拟.     

基于独立分量分析的机械故障信息提取

独立分量分析是盲源分离的一种新方法，其处理的对象是相互统计独立的信号源经线性组合而产生的一组混合信号，最终目的是从混合信号中分离出各独立的信号分量、为此，论证了机械振动信号盲源分离的可行性，并对盲源分离中的“源”赋予了新的含义，利用互相关函数估计不同通道之间的时延参数，适当截取后组成混合信号再进行盲源分离，可以保证振动信号分离的有效性、盲源分离技术在涡流传感器失效故障诊断和早期碰摩故障诊断的成功应用，表明该技术在机械设备状态监测和故障诊断中有着广阔的应用前景．     

一种基于非线性独立元分析(NICA)的化工过程监控方法

针对实际工业过程数据中的非线性问题,研究了一种基于非线性独立元分析的多变量过程监控方法。该方法根据贝叶斯原理,构造多层感知器网络恢复过程数据,并以此建立过程的数学统计模型,对其进行实时监控。在大型工业设备仿真器TE上的应用表明了该方法的有效性,同时,在故障诊断方面也体现出了一定的优越性。     

独立成分分析算法及其在生物特征识别方面的应用

独立成分分析方法(ICA)是最近几年发展起来的一种新的信号分离方法。本文综述了独立分量分分析的基本原理和数学模型。然后介绍了信息最大化(Informax)法、互信息最小法和极大似然估计法。最后讨论了独立成分分析在生物特征识别方面的应用。     

基于峰度的非线性独立元分析在典型化工过程故障诊断中的应用

针对实际工业过程数据中的非线性和冗余度问题,提出了一种基于峰度的非线性独立元分析方法。该方法根据互信息最小化原理提取独立分量,按峰度进行降维,去掉冗余数据,尽可能地保留了反应工业过程变化本质特征的独立分量。将该方法应用于TE过程监控,并与传统的线性独立元方法相比较,结果表明：该方法具有较高的灵敏度和较低的漏报率。     

基于核独立元分析的非线性工业过程故障诊断

复杂工业过程的数据具有非高斯、非线性特性,在进行故障检测时,利用核独立元分析(kernel independent component analysis, KICA)方法能有效解决这一问题。然而,由于在处理数据时使用了核函数,无法将线性的贡献图方法直接用于故障诊断,因此采用一种基于改进KICA结合非线性贡献图的方法,对非线性工业过程进行故障检测与诊断。该方法利用基于超松弛因子的FastKICA方法建立监控模型,得到检测故障信息。在发生故障后,通过非线性贡献图法诊断故障变量。最后,选用带钢热连轧工业过程实测数据进行仿真,通过与传统贡献图方法比较,结果表明此方法能够对非线性数据进行有效可靠的故障检测和故障诊断,验证了非线性贡献图的有效性。     

基于双核独立元分析的化工过程故障诊断算法研究

由于化工生产过程数据具有强非线性和非高斯性特征,提出了核主元分析与核独立元分析相结合的可用于化工过程故障诊断的双核独立元分析算法,该算法利用核主元分析的非线性核函数把数据从原空间映射到高维特征空间进行白化预处理,再用核独立元分析算法进行独立元分析,在特征空间中获得故障监控统计量,计算控制置信限,达到有效的故障诊断.提出的算法应用在连续搅拌反应釜过程中,结果表明,该算法对化工过程故障诊断能有效提高准确度、降低漏报率和误报率.     

基于主元分析与支持向量机的制冷系统故障诊断方法

利用主元分析(PCA)法提取制冷系统特征向量,对典型人工智能方法所建故障诊断模型的性能进行理论研究与应用分析,确定了以支持向量机(SVM)算法为基础的故障诊断模型;针对SVM直接解决多种分类问题的困难,分析了3种多类SVM算法,确定了基于“一对其他（One vs others）”多类SVM算法的故障诊断模型,并提出基于PCA与SVM组合的PCA SVM故障诊断模型,同时,利用实验数据加以验证.结果表明：PCA SVM模型可将16个原始变量转化为相互独立的主元,并可提取前4个主元用于故障诊断而将正常与故障的模式分离,对故障的诊断率不低于98.57%,优于单纯SVM模型,且PCA SVM模型的训练速度比SVM模型快约130~350倍;PCA SVM模型对小样本的处理能力优于BP神经网络模型,其诊断正确率较高,训练耗时较少（约1/240）.     

基于PCA-BLS的三相整流装置故障诊断

针对三相整流装置突发故障时,检测复杂及诊断困难的问题,以三相桥式全控整流电路为研究对象,提出一种基于主元分析和宽度学习系统的故障诊断方法.提取负载输出电压为特征向量,经主元分析,对特征矩阵降维,消除数据相关性,保留数据基本特征;选择合适的初始参数,输入到宽度学习系统的网络中,构建故障诊断模型,对故障进行诊断.对比实验表...     

自适应冗余多小波及其在故障诊断中的应用

针对机械设备在运行过程中萌生的故障尚在特征不明显、特征信息微弱且往往被机械设备运行过程中的强噪声所淹没等给故障特征提取与故障定位带来了很大困难,提出了自适应冗余多小波的故障诊断方法.基于Chui-Lian多小波,依据信号特点采用两尺度相依变换方法,以谱熵最小为优化目标、遗传算法为优化方法,实现了冗余多小波的自适应构造.同时,对振动信号进行了冗余多小波分解,从而实现了对故障的准确定位及特征提取.将提出的方法应用于滚动轴承的故障分析和烟汽轮机的碰摩故障诊断中,结果显示,该方法可以有效地提高对机械设备在运行中产生故障的诊断能力.对比结果表明,该方法明显地优于传统的傅里叶变换、Db6单小波变换和原始CL3多小波变换等方法.     

IPCA在故障检测与分离中的应用

基于ＰＣＡ模型，综合利用Ｔ＾２检验值，Ｑ检验值和故障补偿等集成化主元分析（ＩＰＣＡ）方法对系统的工况故障和仪表故障进行检测和分离，并对仪表故障进行补偿，该方法既能进行故障检测，又能对不同的故障进行分离。仿真实例表明，这种方法是有效的。